TEMPERATURE CLASSIFICATION IN HIGH VOLTAGE ELECTRICAL EQUIPMENT USING K-NEAREST NEIGHBOR

Abstract

The application of Artificial Intelligence (AI) for classifying safe or hazardous conditions in high-voltage electrical equipment using thermal images is a relatively new and emerging approach. Thermal imaging provides a visual representation of temperature distribution across an object’s surface by utilizing color differences. High-temperature areas are typically represented in white, indicating potential hazards such as overheating or insulation failure. In contrast, non-white regions such as blue, green, or purple correspond to lower temperatures and are generally considered safe. This study employs feature extraction techniques to process thermal image data and obtain quantitative parameters, specifically the percentage of white and non-white areas within each image. These parameters serve as the input features for classification purposes. The dataset used in this research consists of 10 thermal images for training and 2 thermal images for testing. The classification process utilizes the K-Nearest Neighbor (K-NN) algorithm, with Euclidean Distance employed to measure the similarity between the test data and training samples. The images are then ranked based on proximity values, and classification is performed using different values of K. Testing was conducted by varying the value of K from 1 to 7 to assess the impact on classification performance. The results demonstrate that this method achieved a maximum classification accuracy of 71.42%. These findings suggest that AI-based image classification has significant potential for enhancing predictive maintenance and early detection of abnormal conditions in high-voltage electrical equipment through automated thermal image analysis.

Pemanfaatan kecerdasan buatan (Artificial Intelligence/AI) dalam klasifikasi kondisi aman atau berbahaya pada peralatan bertegangan tinggi berdasarkan citra thermal merupakan pendekatan yang relatif baru dan masih jarang diterapkan secara luas. Citra thermal memungkinkan visualisasi distribusi suhu pada permukaan objek melalui perbedaan warna. Area yang menunjukkan suhu tinggi biasanya divisualisasikan dalam warna putih dan diidentifikasi sebagai area dengan potensi bahaya, seperti adanya komponen yang mengalami pemanasan abnormal. Sebaliknya, warna selain putih seperti biru, hijau, atau ungu mengindikasikan suhu yang lebih rendah, sehingga dikategorikan sebagai kondisi yang aman. Dalam penelitian ini, dilakukan proses ekstraksi fitur dari citra thermal untuk memperoleh data kuantitatif berupa persentase luas area berwarna putih dan non-putih. Parameter ini selanjutnya digunakan sebagai dasar dalam proses klasifikasi. Dataset terdiri dari 10 gambar yang digunakan sebagai data pelatihan dan 2 gambar sebagai data pengujian. Metode klasifikasi yang digunakan adalah K-Nearest Neighbor (K-NN), dengan pengukuran jarak antar data dilakukan menggunakan rumus Euclidean Distance. Setiap data uji dibandingkan terhadap data latih berdasarkan nilai kedekatan jarak tersebut, lalu dilakukan klasifikasi berdasarkan nilai K tertentu. Pengujian dilakukan dengan variasi nilai K mulai dari 1 hingga 7. Hasil dari proses klasifikasi menunjukkan bahwa pendekatan ini mampu mencapai tingkat akurasi sebesar 71,42%. Temuan ini menunjukkan potensi AI dalam membantu pengambilan keputusan kondisi peralatan listrik berbasis analisis citra thermal.